Gartner在最近发布的《Top Strategic Technology Trends for 2025》中，预测了2025年企业机构需要探索的十大战略技术趋势。其中，Agentic AI名列十大关键字之首。Gartner在预测中提出，到2028年，至少15%的日常工作决策将由代理型AI自主做出。
随着大模型技术与模型能力的不断提升，AI Agent已经真正进入到落地阶段。澜码认为，当前的AI Agent或者说Agentic AI，这类新技术应用的未来趋势应该是以角色为中心的设计，将从过去以功能为中心转向以目标为导向，将推理过程变成可解释、可迭代，构建可信任的AI Agent，在企业内部形成以专家知识和数据为核心的价值飞轮，为企业数智化带来全新的机遇和可能。
但目前，企业用户落地AI Agent仍然面临着高价值场景、建设路径、项目可行性和供应商选型等方面的挑战：
对于不同企业的多样化需求，需要评估场景价值度和最终收益，以确定应用的高价值场景。并且，Agent作为一种新型的智能化应用，落地建设需要不断进行探索，因此，落地路径的理解以及选择、项目落地的技术可行性评估、确定供应商选型标准等问题都存在很多盲点和疑问。
那么，企业该如何应对当前落地AI Agent的众多挑战？《2024爱分析·中国AI Agent市场研究报告》（以下简称“《报告》”）给出了关于AI Agent落地流程及关键要素的解答，我们将《报告》中的相关内容做了不改变原意的摘录，供大家参考💡
AI Agent落地流程
AI Agent 落地分成三个阶段：规划立项、开发实施和持续运营。
规划立项包含战略对齐、设定建设路径、明确业务收益、评估技术方案可行性等工作，开发实施包含大模型接入、Al Agent设计、专家知识构建、Al Agent应用开发及集成等工作，持续运营包括运营团队建设、运营指标确定、专家知识持续积累反馈及调整、相关保障体系建设等工作。
战略对齐、项目业务收益设定和风险评估是规划立项阶段关键。
以 AI Agent为代表的大模型应用当前不够成熟，Al Agent 落地一定是承载了企业战略目标，必须要跟企业用户的战略对齐，从企业用户的数字化战略中寻找结合点。
Al Agent 项目具备一定探索可研属性，业务收益设定一定程度是明确项目方向和控制项目范围，在规划立项阶段能够对项目目标和范围达成初步共识，控制各方对于项目的预期，能够有效提升项目成功率。
Al Agent 项目当前缺乏足够多的成功案例，因此技术方案可行性风险评估非常重要，爱分析建议企业用户在正式开发实施前最好有一些初步技术验证，在指定场景和数据集条件下，智能化应用项目相对容易验证效果，有助于项目目标和验收标准的设定。
Al Agent 在单场景的设计方案是开发实施阶段的关键。
当前大模型技术的能力边界愈发清晰明确，大模型的泛化能力既是能够处理不同场景类似问题的优势，又存在容易出现 “幻觉”等问题的短板。因此，如何在具体场景中设计 Al Agent，扬长避短，既能够充分发挥大模型技术能力优势，又能规避到“幻觉”等问题，保证任务执行的准确性满足场景需求，是 Al Agent 开发实施阶段重点问题。
Al Agent设计方案需要兼顾业务视角和技术视角，业务视角要对场景进行解耦，评估场景及具体问题可行性，技术层面要持续积累技能，提升整体能力。
以金融场景为例，针对各类场景调研评估（营销、运营、投研、信贷），分析业务类型（比对、审核、统计、录入、生成），定义问题，将问题与模型技能进行匹配，并评估现有数据基础设施的成熟度，业务系统数据和文档知识是否足够。
专职运营团队是 AlAgent持续发挥价值的关键。
不同于以往信息化建设，Al Agent应用建设是需要持续运营迭代的，建设和运营同等重要，最好有专职团队负责运营。AI Agent运营机制和运营团队建设可以参考当前成熟企业用户的数字化运营机制和团队建设思路。
企业用户需要组建数字化转型办公室，由企业 CEO 挂帅，核心业务部门领导参与，统领整个企业数字化转型的进程。每个业务部门都需要建立数字化团队，数字化团队由数字化部门统筹管理。
运营团队最初可以是兼职团队，后续随着 AI Agent 在企业内部广泛落地，需要逐步成立专职团队。
主要原因有两点：第一，Al Agent 是面向全公司各个部门的智能化应用，需要不断有人反馈业务场景需求，并评估场景价值和可落地性。第二，Al Agent能力提升非常依赖于专家知识积累和场景问题沉淀，需要有专职团队保证知识沉淀、能力迭代和全公司推广。
AI Agent落地关键要素
专家知识是帮助 AlAgent 构建企业用户内部模型和世界模型的关键，专家知识是天花板，大模型是底座。
从单个企业出发，当前基础大模型迭代速度很快，企业用户现阶段基于基础大模型做训练和微调本身是不经济的，但随着技术成熟，中大型企业未来一定需要建设自身的企业专属大模型，这非常依赖于企业内部专家知识的沉淀。
从整个行业出发，专家知识是构建世界模型的关键，有助于提升整个行业的智能化水平，创造更大的价值。
专家知识构建方法包含知识类型分类、心智模型构建、知识应用实现和持续学习发展四个步骤。
知识类型分成显性知识和意会知识，以企业服务为例，显性知识包含事实性知识（Fact，在企服领域内一致认同的共性知识）、规则性知识（Rule，企业内的约定规则和指导原则）、过程性知识（Process，企业内进行特定操作或流程的步骤和方法），意会知识包含领域性知识（Domain，在企业特定领域的专业知识和从业技能）、社会性知识（Society，组织内部和外部社交规则、合适的沟通方式）等。
心智模型构建是对人类思维和认知过程进行描述。解释人类如何获取、处理和应用信息，以及如何形成知识、思考和决策。包括感知、注意、记忆、思考、推理和决策等。
知识应用实现是通过工具完成接收和处理与人类接受信息方式相似的输入数据，如图像、语音、文本等数据感知和输入，并模拟人类记忆、获取知识的过程实现包括感知、记忆、推理、决策等应用的实现。
持续学习发展是通过人类反馈不断收集知识使用结果，并持续更新知识，通过机器反思模拟人类的思考和持续学习的能力，实现对知识的持续积累和发展。
工作流设计是知识应用实现过程，既是模拟人类获取知识使用知识的过程，也是对实际技术能力和条件边界限制的一种应对方式。
（2）基于各类显性知识的意会知识（如在什么场景下使用什么操作手册）进行关联，设计基础流程框架分支和各分类知识获取和使用的应用；
（3）针对无法明确分类的显性知识和意会知识，设计兜底知识获取和使用的逻辑分支；
（4）针对模型能力边界，对各分支模块进行拆解，以便达到业务质量要求；
（5）对流程进行调试，依据结果对流程各分类、分支进行优化调试；
（6）通过长期使用中的反馈情况积累，进一步优化分类，实现对分类分支的二次优化。
